[发明专利]基于集成分类器的用户异常行为检测方法及相关设备

说明书

本发明涉及人工智能技术领域，提供一种基于集成分类器的用户异常行为检测方法及相关设备，包括：获取系统中多个分区的历史数据流及每条历史数据流的真实类别；监测系统的内存，并根据系统的内存、多个分区的历史数据流及每条历史数据流的真实类别进行增量式训练多个分类器得到集成分类器；获取监控时段内用户的多条流式数据并输入至集成分类器中进行类别预测，得到多个预测类别；计算预测类别中正常类别和异常类别的数量，并基于此输出用户的行为是否异常的结果。本发明能够充分的利用内存，获得分类性能最佳的分类器，从而提高了对用户异常行为的检测准确率。此外，本发明还涉及区块链技术领域，所述集成分类器和结果可存储于区块链中。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于集成分类器的用户异常行为检测方法、装置、计算机设备及存储介质。

背景技术

随着计算机及网络的普及和发展，不管是局域网还是广域网，网络用户的规模都在逐渐扩大，用户行为也越来越复杂，在此背景下，对用户行为的快速检测和有效控制显得尤为重要。

现有技术中，通过训练异常检测模型来识别用户行为，从而判断用户行为是否合法。但是由于异常检测模型通常会受到训练样本的数量的限制，因为异常检测模型假设所有的训练样本都可同时存储在内存里，导致异常检测模型的检测效果并不理想。

发明内容

鉴于以上内容，有必要提出一种基于集成分类器的用户异常行为检测方法、装置、计算机设备及存储介质，能够充分的利用内存，获得分类性能最佳的分类器，从而提高了对用户异常行为的检测准确率。

本发明的第一方面提供一种基于集成分类器的用户异常行为检测方法，所述基于集成分类器的用户异常行为检测方法包括：

获取Kafka系统中多个分区的历史数据流及每条历史数据流的真实类别；

监测所述Kafka系统的内存，并根据所述Kafka系统的内存、所述多个分区的历史数据流及所述每条历史数据流的真实类别进行增量式训练多个分类器得到集成分类器；

获取监控时段内用户的多条流式数据，并将每条流式数据输入至所述集成分类器中进行类别预测，得到每条流式数据的多个预测类别；

计算所述预测类别中正常类别的数量及计算所述预测类别中异常类别的数量；

根据所述正常类别的数量及所述异常类别的数量输出所述用户的行为是否异常的结果。

根据本发明的一个可选的实施例，所述根据所述Kafka系统的内存、所述多个分区的历史数据流及所述每条历史数据流的真实类别进行增量式训练多个分类器得到集成分类器包括：

从每个分区的历史数据流中抽取预设第一数量的历史数据流，并针对每个分区中抽取的预设第一数量的历史数据流训练一个分类器；

获取训练多个分类器占用的内存，并判断所述多个分类器占用的内存是否超过所述Kafka系统的内存；

当所述多个分类器占用的内存不超过所述Kafka系统的内存时，对每个分类器进行增量训练；

当所述多个分类器占用的内存超过所述Kafka系统的内存时，结束所有分类器的训练过程，得到由多个分类器构成的集成分类器，所述集成分类器存储于区块链节点中。

根据本发明的一个可选的实施例，所述针对每个分区中抽取的预设第一数量的历史数据流训练一个分类器包括：

对所述预设第一数量的历史数据流进行操作行为分类；

基于每一个数据流及对应的真实类别和操作行为类别构建训练数据三元组；

输入所述训练数据三元组至SVM中训练所述分类器。

根据本发明的一个可选的实施例，所述对每个分类器进行增量训练包括：